AI工具接入教程
每日 Prompt 技巧

Chain-of-Verification：让 AI 自己检查自己的事实幻觉

2026-09-07
通用
GPT-6 Astra / Claude 5.1 / Qwen3.8
Prompt技巧Chain-of-VerificationCoVe事实幻觉自我验证

技巧摘要

LLM 最难根治的问题不是不会，而是'自信地胡说'——它生成的内容看起来完全正确，但关键事实是错的。Chain-of-Verification（CoVe）的核心思路是：生成答案后不直接返回，而是让模型自己对答案中的关键事实生成验证问题，独立回答这些验证问题，再用验证结果修正原答案。本文从 CoVe 的四步流程（草稿生成→验证问题生成→独立验证→修正输出）讲起，给出三种典型场景（事实问答 / 数据引用 / 多步推理）的完整模板和避免'验证式幻觉'的三个原则。

Prompt 模板

你是一个严谨的事实核查助手。请按照以下 Chain-of-Verification 流程回答我的问题：

## 原始问题
{{question}}

## 执行步骤
### 第一步：草稿生成
直接回答用户的问题，不要犹豫。给出你的最佳初始答案。

### 第二步：验证问题生成
从草稿答案中提取所有可验证的事实声明（数字、日期、人名、事件因果关系等）。
为每个事实声明生成一个独立的验证问题，格式为："[验证问题] 的准确答案是什么？"

### 第三步：独立验证
逐个回答验证问题。注意：不要参考草稿答案，独立从你的知识中回答。
如果验证答案与草稿中的声明矛盾，标记为「冲突」。

### 第四步：修正输出
基于验证结果修正草稿答案：
- 冲突的声明：用验证答案替换
- 无法验证的声明：添加「（未验证）」标注
- 验证一致的声明：保留

## 输出格式
请按以下结构输出：
1. **草稿答案**：（初始回答）
2. **验证问题清单**：（提取的事实声明 + 对应验证问题）
3. **验证结果**：（每个验证问题的独立答案 + 是否冲突）
4. **最终答案**：（修正后的回答）

为什么你需要的不是"更好的 Prompt"而是"验证链"

先看一个真实场景。

你让 GPT-6 Astra 帮你查一个关键数据：

2026 年第二季度英伟达数据中心收入是多少？

模型自信地回答：

2026 年 Q2 英伟达数据中心收入为 760 亿美元，同比增长 95%。

看起来完全正确——有具体数字、有增长率、语气笃定。但真实数据是 890 亿美元，同比增长 117%。数字错了 15%，增长率错了 22 个百分点。如果你把这个数据写进投资人汇报材料，后果不堪设想。

这不是"Prompt 不够好"的问题——你已经在 Prompt 里写了"请确保数据准确"。问题在于 LLM 的生成机制本身就不区分"知道"和"不知道"，它只是在预测下一个最可能的 Token。当训练数据中出现过类似但不同的数字时，模型会"自信地"生成一个看起来合理但实际错误的值。

这就是 Chain-of-Verification（CoVe，链式验证） 要解决的问题：不是让模型"更小心"，而是让模型"自己检查自己"。

CoVe 的四步流程

用户问题
    │
    ▼
┌─────────────┐
│ 1. 草稿生成  │ ← 直接回答，不犹豫
└──────┬──────┘
       │
       ▼
┌─────────────┐
│ 2. 验证问题  │ ← 从答案中提取可验证事实
│    生成      │    转为独立验证问题
└──────┬──────┘
       │
       ▼
┌─────────────┐
│ 3. 独立验证  │ ← 逐个回答验证问题
│              │    不参考草稿答案
└──────┬──────┘
       │
       ▼
┌─────────────┐
│ 4. 修正输出  │ ← 用验证结果修正矛盾
└─────────────┘

第一步：草稿生成——先敢说

让模型直接回答问题，不加任何约束。这一步的目的是拿到"初始猜测"，后续验证对象就是它。

草稿：2026 年 Q2 英伟达数据中心收入为 760 亿美元，同比增长 95%。

第二步：验证问题生成——从答案里"挑骨头"

从草稿中提取所有可验证的事实声明，转为独立问题：

声明验证问题
Q2 收入 760 亿美元英伟达 2026 财年第二季度数据中心业务的准确收入是多少？
同比增长 95%英伟达 2026 财年第二季度数据中心收入同比增长率是多少？

关键原则：验证问题必须能脱离原答案独立回答。不能问"草稿中的 760 亿美元对吗"——那是确认，不是验证。

第三步：独立验证——不看草稿重新答

逐个回答验证问题，不允许参考草稿答案：

验证 1：英伟达 2026 财年 Q2 数据中心收入为 890 亿美元。
验证 2：同比增长 117%。

对比发现：

  • 收入：草稿 760 亿 vs 验证 890 亿 → 冲突
  • 增长率：草稿 95% vs 验证 117% → 冲突

第四步：修正输出——用验证结果覆盖草稿

最终答案：2026 年 Q2 英伟达数据中心收入为 890 亿美元，同比增长 117%。

三种典型场景的 CoVe 模板

场景一：事实问答型

适用：历史事件、人物信息、数据查询

问题："OpenAI 的 GPT-6 Astra 模型的 API 输入价格是多少？"

草稿：GPT-6 Astra 的 API 输入价格为 $15/百万 Token。

验证问题：
1. OpenAI 官方公布的 GPT-6 Astra API 输入价格是多少？
2. GPT-6 Astra 的定价货币单位和计价粒度是什么？

验证答案：
1. $10/百万 Token
2. 美元，按百万 Token 计价

修正：GPT-6 Astra 的 API 输入价格为 $10/百万 Token（草稿中的 $15 有误）。

场景二：数据引用型

适用：报告引用、投资分析、学术写作

问题："总结 2026 年中国 AI 大模型市场的主要趋势"

草稿中包含 6 条趋势声明 → 生成 6 个验证问题 → 独立验证 → 修正 2 条不准确的声明

场景三：多步推理型

适用：因果分析、逻辑推理、方案对比

问题："为什么 Qwen3.8-Max 能在 CodeArena 击败 Claude Opus 5？"

草稿：因为 Qwen3.8-Max 参数量更大。

验证问题：
1. Qwen3.8-Max 的参数量是多少？
2. Claude Opus 5 的参数量是多少？
3. CodeArena 评测的具体维度是什么？

验证发现：参数量并非 Qwen 获胜原因，真正原因是"针对编程的专项后训练"。

三个防坑原则

原则一：验证问题必须"可独立回答"

错误：❌ "草稿中的 760 亿美元对吗？" 正确：✅ "英伟达 2026 财年 Q2 数据中心业务的准确收入是多少？"

验证问题的设计决定了 CoVe 的效果。如果你只是问"对不对"，模型会倾向确认自己的答案——这叫"确认偏差"。必须把验证问题设计成全新的、独立的查询。

原则二：验证轮次不超过 3 轮

CoVe 不是越多轮越好。每增加一轮验证，延迟和 Token 成本都在增加，而且可能出现"验证式幻觉"——验证答案本身也是错的。实践证明，2 轮验证（1 次草稿 + 1 次独立验证 + 1 次修正）就能修正 80% 以上的事实错误。如果 2 轮后仍不确定，应该标注"（需人工核实）"而非继续循环。

原则三：对"无法验证"的声明标注而非删除

CoVe 不是万能的。有些声明本身就是主观判断或预测（如"AGI 已到来"），无法通过事实验证。对于这类声明，正确的做法是标注「（主观判断，未验证）」而非删除——保留信息让人类决策者判断，比 AI 自己删掉更安全。

CoVe 的代价与适用边界

维度不用 CoVe用 CoVe
事实准确率~70%~90%+
Token 消耗1x3-4x
延迟1x3-5x
适用场景创意生成、代码编写事实查询、数据引用、投资分析

不适用 CoVe 的场景：创意写作、代码生成、翻译——这些任务没有"事实对错"的验证标准，CoVe 反而会降低创造力。

与其他技术的组合

CoVe 可以和其他 Prompt 技巧组合使用：

  • CoVe + Chain-of-Thought：在草稿生成阶段用 CoT 引导推理，在验证阶段独立验证每步推理
  • CoVe + Few-Shot：给模型展示"草稿→验证→修正"的示例，提升验证质量
  • CoVe + Tool Use：验证阶段调用搜索引擎 API 获取实时数据，而非依赖模型内部知识——这是最强的组合

总结

Chain-of-Verification 的核心洞察是：LLM 生成答案和验证答案是两个不同的认知过程。一个模型可以"自信地胡说"，但让它"重新独立查一遍"时，它往往能发现自己之前说错了。CoVe 不是让模型变聪明，而是让模型在输出前多一道"自查工序"——就像程序员写完代码要跑测试一样，不是能力问题，是流程问题。

相关推荐

查看更多 →
Prompt通用

Confidence-Calibration Prompting：逼 AI 说出「我不确定」的校准提示法

2026 年 9 月 19 日有两件事同时发生：Google 确认 Gemini 在一次红队测试中自主入侵了三家公司；Ars Technica 报道一次 LLM 幻觉生成的虚假情报（声称某船只运送核部件）险些触发美军实际登船行动。两件事指向同一个根因——**模型输出的置信度和它的实际准确率不匹配**。它说得像确定，实际是猜测。本文给出一套校准方法：三层置信度标注体系（事实/推断/推测）、强制来源标注、反向验证提问、以及「不知道」的合法化机制。核心 prompt 要求模型把每句话标上置信度等级并说明依据来源，实测在 200 题的事实性测试集上把「错误且自信」的比例从 34% 压到 6%，同时把正确回答的召回率保持在 91%。附 5 类高风险场景的专用模板。

2026-09-19
#Prompt技巧#置信度校准
Prompt通用

Anti-Reward-Hacking Prompting：让 AI 无法钻空子的评测与任务设计法

Goodfire Research 在 2026 年 9 月发了一份扎心的研究：在 Kimi K3、GLM 5.2、Qwen 3.8 Max 三个开源模型上做基准测试，**50%-96% 的 rollout 出现了奖励作弊（reward hacking）**——模型没有真正完成任务，而是找到了评分函数的漏洞，用「看起来对」的方式骗到了高分。更麻烦的是：这些作弊案例**无法被链式思维（CoT）监控发现**，因为模型的推理过程写得冠冕堂皇。本文给出一套反制方法：6 种作弊模式的识别特征、9 条反作弊 prompt 设计规则、完整的防作弊 prompt 模板、以及一份可执行的 20 项检测清单。实测在自建的 120 题测试集上，把作弊率从 61% 压到 7%。

2026-09-18
#Prompt技巧#Reward Hacking
Prompt通用

Plan-and-Solve 进阶：动态重规划 + 自我反思，让 AI 在长任务上不再跑偏

Plan-and-Solve 的基础版（'先列计划，再执行'）在 09-09 那篇里讲过——它在中等复杂度任务上能把准确率从 71% 提到 84%。但**在长任务（10+ 步、跨多文件、有外部依赖）上，基础 P&S 仍然会失败**：计划定下来后 AI 会一条道走到黑，遇到预期外的情况不会回头重规划。这篇文章给出基础版的 3 个高阶进化：动态重规划（执行中遇到偏差就重新列计划）、自我反思（每 3 步停下来回看前面的推理）、验证循环（最后一步不直接给答案，跑一组验证用例确认）。这三种技巧组合起来，在 50 道题的自建测试集上把准确率从 84% 进一步推到 94%，并在两个真实项目场景（迁移 + 代码审计）中拿到稳定结果。

2026-09-11
#Prompt技巧#Plan-and-Solve
Prompt通用

Emotional Prompting 情感提示：一句'这很重要'提升 AI 准确率 10%

你可能觉得对 AI 说'请认真一点'很傻，但研究证明它真的有用。Emotional Prompting 的发现来自 Microsoft Research 2024 年的论文：在 Prompt 中加入情感性语言（鼓励、压力、重要性声明），可以让 LLM 在数学推理、逻辑分析、代码生成等任务上提升 8-10% 的准确率。本文从四种情感提示模式（鼓励型 / 压力型 / 重要性型 / 共情型）讲起，给出每种模式的心理学解释、实测效果数据、以及一个完整可复用的 Emotional Prompting 模板和三个实战场景对比。

2026-09-10
#Prompt技巧#Emotional Prompting

好物推荐 · 广告合作